Kentler yalnızca yatay olarak genişlemez; aynı zamanda dikey olarak büyür. Yeni yüksek binaların yapılması, eski yapıların yıkılması, mahallelerin yeniden inşa edilmesi ve ticaret merkezlerinin yoğunlaşması, kentin üçüncü boyutunu sürekli değiştirir. Bu değişimi anlamak için farklı yıllara ait bina yüksekliklerinin bilinmesi gerekir. Ancak günümüzde yüksek doğruluklu LiDAR verileri bulunabilse de geçmiş yıllara ait ayrıntılı bina yüksekliği verileri çoğu kentte mevcut değildir.

Bu çalışma, hedef yılda yükseklik verisi bulunmadığı durumlarda arşivlenmiş yüksek mekânsal çözünürlüklü uydu görüntülerinden tarihsel bina yüksekliklerini tahmin etmeyi amaçlamaktadır. Araştırmacılar, biri yükseklik verisi bulunan referans yılına, diğeri ise yükseklik verisi bulunmayan hedef yıla ait iki farklı uydu görüntüsünü birlikte kullanmıştır. Ayrıca referans yılındaki LiDAR tabanlı normalleştirilmiş Sayısal Yüzey Modeli, uydu görüntüsünün eğik bakış geometrisine göre yeniden izdüşürülerek “Görüş Hattı nDSM” veya Los-nDSM adı verilen bir yükseklik katmanına dönüştürülmüştür.

Yöntemin merkezinde çift dikkat mekanizmalı koşullu üretici çekişmeli ağ, yani DA-cGAN bulunmaktadır. Model, iki farklı tarihte çekilmiş eğik açılı uydu görüntülerini ve bunlara geometrik olarak hizalanmış Los-nDSM verilerini birlikte öğrenerek hedef tarihin bina yüksekliklerini tahmin etmektedir. Ardından görüntü parçaları arasındaki birleşim çizgilerinde oluşan yükseklik tutarsızlıkları yerel optimizasyonla düzeltilmekte, son aşamada değişmediği varsayılan sahte yükseklik-sabit noktalar kullanılarak sistematik yükseklik yanlılığı kalibre edilmektedir.

Pekin’in ana kent merkezi ve Tongzhou Yeni Kenti’nde yapılan deneylerde önerilen yöntem, yalnızca tek tarihli görüntü ve nDSM kullanan karşılaştırma yönteminden belirgin biçimde daha başarılı olmuştur. Birinci çalışma alanında ortalama mutlak hata 5,97 metreden 2,42 metreye, kök ortalama kare hata 9,28 metreden 3,37 metreye düşmüştür. İkinci çalışma alanında değişmemiş binalar için ortalama mutlak hata 5,78 metreden 2,49 metreye, kök ortalama kare hata 7,75 metreden 3,71 metreye gerilemiştir. Yöntem özellikle eğik görüntülerde daha fazla geometrik kayma gösteren yüksek binalarda daha büyük iyileşme sağlamıştır.

Çalışmanın temel sonucu şudur: Hedef tarihe ait doğrudan yükseklik ölçümü bulunmasa bile, farklı yıllara ait yüksek çözünürlüklü uydu görüntüleri, yerel bir referans nDSM ve uygun geometrik yeniden izdüşürme ile birleştirildiğinde tarihsel bina yükseklikleri daha güvenilir biçimde tahmin edilebilir. Bununla birlikte yöntem yalnızca Pekin’deki iki alanda sınanmış, hakem değerlendirmesinden geçmemiş ve görüntü kalitesine duyarlı bir araştırma yaklaşımıdır.

Bir kentin büyümesini anlamak için yalnızca yapılaşmış alanın haritadaki yayılımına bakmak yeterli değildir. Aynı yüzölçümüne sahip iki bölgeden biri çoğunlukla tek katlı yapılardan, diğeri ise çok katlı kulelerden oluşabilir. Bu iki kentin nüfus yoğunluğu, enerji tüketimi, gölgeleme etkisi, ulaşım talebi, afet riski ve karbon salımı birbirinden farklıdır.

Bina yüksekliği; kentsel morfoloji, 3B şehir modelleme, deprem ve sel hasar değerlendirmesi, kentsel ısı adası analizi, güneşlenme, rüzgâr dolaşımı, nüfus dağılımı ve arazi kullanım verimliliği için temel bir değişkendir. Güncel bina yüksekliği LiDAR, stereo uydu görüntüleri veya radar verileriyle üretilebilir. Ancak geçmiş yıllara ait ayrıntılı yükseklik katmanları çoğunlukla yoktur.

Arşivlerde geçmiş yıllara ait çok sayıda yüksek çözünürlüklü uydu görüntüsü bulunmasına rağmen, bu görüntüler çoğu zaman tam dik bakışla değil, belirli bir eğik açıyla alınmıştır. Bu nedenle yüksek binalar görüntüde yana yatmış gibi görünür. Buna karşılık LiDAR’dan üretilen nDSM gerçek ortografik konumu gösterir. Böylece aynı bina, uydu görüntüsünde ve yükseklik haritasında farklı piksel konumlarına düşer.

İkinci problem zamansal farklılıktır. Model 2017 veya 2023 görüntüsü ve yükseklik verisiyle eğitildiğinde, 2013 görüntüsüne doğrudan uygulandığında ışık, sensör, renk, bakış açısı, gölge ve bina değişimleri nedeniyle ciddi doğruluk kaybı oluşabilir.

Bu problem neden önemlidir?

Geçmiş bina yüksekliklerini bilmek, kentin hangi bölgelerde yatay, hangi bölgelerde dikey büyüdüğünü ortaya çıkarabilir. Bu bilgi şu alanlarda kullanılabilir:

• Yıkılan ve yeniden yapılan binaların belirlenmesi
• Kaçak kat veya izinsiz yapılaşmanın araştırılması
• Afet öncesi ve sonrası 3B yapı değişiminin karşılaştırılması
• Kentsel yoğunlaşma ve nüfus kapasitesi analizleri
• Kentsel ısı adası ve gölgeleme çalışmalarının tarihsel olarak incelenmesi
• Enerji tüketimi ve karbon salımının 3B kent yapısıyla ilişkilendirilmesi
• Kültürel miras bölgelerinde yükseklik kontrolünün değerlendirilmesi

LiDAR geçmişe dönük olarak yeniden üretilemez; uçak 2013 yılında uçmadıysa bugün o yılın LiDAR ölçümü alınamaz. Buna karşılık 2013 uydu görüntüsü arşivde bulunabilir. Çalışmanın değeri, bu görüntüyü geçmişin yalnızca renkli fotoğrafı olmaktan çıkarıp yaklaşık bir 3B yükseklik kaynağına dönüştürmeye çalışmasıdır.

Literatürdeki boşluk nedir?

Tek görüntüden yükseklik tahmini yapan CNN, GAN ve çok görevli öğrenme modelleri daha önce geliştirilmiştir. Bu modeller bir görüntü ile ona karşılık gelen yükseklik haritası arasındaki ilişkiyi öğrenir. Ancak çoğu yöntem aynı dönem veya benzer görüntü koşullarında çalışır.

Çalışmanın işaret ettiği iki temel eksiklik şunlardır:

1. Eğik uydu görüntüsü ile gerçek ortografik nDSM arasında piksel düzeyinde geometrik uyumsuzluk bulunması
2. Modelin farklı bir tarihe uygulanması sırasında spektral ve geometrik farklılıklar nedeniyle yüksekliğin sistematik biçimde eksik tahmin edilmesi

Araştırmacılar bu iki sorunu birlikte çözmek için referans nDSM’yi görüntünün görüş hattına yeniden izdüşürmüş ve hedef tarih görüntüsünü de eğitim sürecine dahil etmiştir.

nDSM nedir?

Sayısal Yüzey Modeli, yani DSM, yeryüzündeki zemin, bina, ağaç ve diğer nesnelerin yüksekliklerini birlikte gösterir. Sayısal Arazi Modeli, yani DEM, yalnızca çıplak zemin yüksekliğini temsil eder. Normalleştirilmiş Sayısal Yüzey Modeli ise bu iki modelin farkıdır:

[ nDSM = DSM - DEM ]

Burada:

• DSM, binalar ve ağaçlar dahil yüzey yüksekliğidir.
• DEM, zemin yüksekliğidir.
• nDSM, zeminin üzerindeki nesne yüksekliğidir.

Örneğin bir bina çatısının deniz seviyesine göre yüksekliği 85 metre, bina tabanındaki zemin 55 metre ise nDSM yaklaşık 30 metreyi gösterir.

Eğik görüntü ile nDSM neden doğrudan eşleşmez?

Bir uydu tam tepeden bakmadığında yüksek bir binanın çatısı, tabanına göre görüntüde yana kayar. Bina ne kadar yüksek ve uydu bakış açısı ne kadar eğikse bu kayma o kadar büyür. Gerçek ortografik nDSM’de ise çatı yüksekliği binanın gerçek yatay konumunda gösterilir.

Bu durum, model için yanlış etiketleme problemi yaratır. Görüntüde çatıyı temsil eden piksele nDSM’de komşu bina, yol veya zemin yüksekliği denk gelebilir. Model böyle bir eşleşmeyle eğitilirse görüntü ile yükseklik arasındaki ilişkiyi doğru öğrenemez.

Los-nDSM nedir?

Los-nDSM, İngilizce “Line-of-Sight normalized Digital Surface Model” ifadesinin kısaltmasıdır. Türkçede görüş hattına göre yeniden izdüşürülmüş normalleştirilmiş Sayısal Yüzey Modeli olarak açıklanabilir.

Araştırmacılar nDSM’yi doğrudan kullanmak yerine, uydu görüntüsünün RPC geometrisini kullanarak yükseklikleri görüntünün bakış doğrultusuna taşımıştır. Böylece bina çatısı ve görünen cephe, uydu görüntüsünde hangi piksellerde görünüyorsa yükseklik etiketi de aynı piksellere yerleştirilmiştir.

Önceki Los-DSM yaklaşımlarında çoğunlukla yalnızca çatı yüzeyleri yeniden izdüşürülüyordu. Bu çalışmada yüksek binaların cephelerinde boşluk oluşmaması için bina yüksekliği 3 metrelik düşey aralıklara bölünmüş ve birden fazla yükseklik seviyesi görüntü düzlemine taşınmıştır.

İşlem sırası şöyledir:

1. DSM uydu görüntüsüyle eşleştirilir.
2. Yükseklikler 3 metrelik düşey seviyelere ayrılır.
3. Her yükseklik seviyesi RPC modeliyle görüntü düzlemine izdüşürülür.
4. Görüş hattı örtülmesi dikkate alınarak her piksel için en yüksek değer seçilir.
5. Boş kalan pikseller mekânsal enterpolasyonla doldurulur.
6. Los-DSM’den DEM çıkarılarak Los-nDSM elde edilir.

“Görünür hedef zaman Los-nDSM” ne anlama geliyor?

Referans yılındaki nDSM, hedef yıl görüntüsünün bakış açısına da yeniden izdüşürülmüştür. Böylece hedef görüntüyle geometrik olarak hizalı bir “görünür” Los-nDSM üretilmiştir.

Ancak bu yükseklik katmanı yalnızca değişmeyen alanlarda hedef yılın gerçek yüksekliğini temsil eder. Örneğin 2013’te boş arazi olan fakat 2023’te üzerine bina yapılmış bir noktada, 2023 nDSM’si 2013 görüntüsüne izdüşürüldüğünde yanlış yükseklik gösterecektir.

Bu nedenle araştırmacılar eğitim örneklerini iki şekilde seçmiştir:

• Değişmeyen alanlarda hedef yıl görüntüsü ve hedef bakış açısına izdüşürülmüş görünür Los-nDSM kullanılmıştır.
• Değişen alanlarda referans yıl görüntüsü ve gerçek referans Los-nDSM kullanılmıştır.

Bu birleşik eğitim seti, modelin hem hedef tarihin renk ve görüntü özelliklerini hem de doğru yükseklik ilişkisini öğrenmesini amaçlamaktadır.

Çalışma alanları

Araştırma Pekin’de iki farklı kentsel morfolojiye sahip alanda yürütülmüştür.

Birinci alan, tarihî ve kültürel koruma nedeniyle bina yüksekliklerinin daha sıkı denetlendiği merkezî kentsel bölgedir. İkinci alan ise son on yılda büyük ölçekli dönüşüm ve yüksek yapılaşma yaşamıştır.

Kullanılan uydu görüntüleri

RGB ve yakın kızılötesi bantlar, pankromatik bantla Gram-Schmidt pan-sharpening yöntemi kullanılarak birleştirilmiştir. İki tarihli görüntüler birbirine kaydedilmiş ve kayıt hatası 0,5 pikselin altında tutulmuştur.

Referans yükseklik verileri nasıl üretildi?

Model eğitimi için her iki çalışma alanında da referans yıllara ait hava LiDAR verileri kullanılmıştır. Nokta yoğunluğu yaklaşık 30 nokta/m²’dir.

LiDAR işleme adımları:

1. Nokta bulutundaki gürültünün temizlenmesi
2. İlk dönüş noktalarından DSM üretilmesi
3. Cloth Simulation Filter ve hidrolojik analizle DEM üretilmesi
4. DSM ve DEM’nin 0,5 metre çözünürlüğe getirilmesi
5. DSM’den DEM çıkarılarak nDSM oluşturulması

Hedef yılın LiDAR verisi bulunmadığı için doğrulamada stereo uydu çiftlerinden fotogrametrik nDSM’ler üretilmiştir. Bu nokta önemlidir: Hedef yılın “referans” yükseklikleri de LiDAR kadar kesin değildir ve özellikle değişen binalardaki hata değerlendirmesini etkileyebilir.

DA-cGAN nedir?

DA-cGAN, çift dikkat mekanizmalı koşullu üretici çekişmeli ağdır. İki ana bölümden oluşur:

• Üretici ağ: Uydu görüntüsünden yükseklik haritası üretir.
• Ayırt edici ağ: Üretilen yükseklik haritasının gerçek referans yüksekliğe benzeyip benzemediğini değerlendirir.

Üretici ağ simetrik U-Net mimarisine sahiptir. Kodlayıcı görüntüyü giderek daha soyut özelliklere dönüştürür; çözücü bu özelliklerden yükseklik haritasını yeniden üretir. Kodlayıcı ile çözücü arasındaki atlama bağlantılarına CBAM dikkat modülü yerleştirilmiştir.

Çift dikkat mekanizması ne yapıyor?

CBAM iki tür dikkat uygular:

• Kanal dikkati: Hangi özellik haritalarının daha önemli olduğunu belirler.
• Mekânsal dikkat: Görüntünün hangi bölgelerine daha fazla odaklanılması gerektiğini belirler.

Çalışmada dikkat modülü hem kodlayıcıdan gelen hem de çözücüden gelen özelliklere uygulanmıştır. Bu nedenle “çift dikkat” olarak adlandırılmıştır.

Bu yaklaşımın amacı, bina kenarları, çatı dokuları, cepheler ve gölgeler gibi yükseklikle ilişkili bilgiyi güçlendirirken yollar, bitki örtüsü veya zamansal renk farklılıkları gibi ilgisiz özellikleri baskılamaktır.

Ayırt edici ağ nasıl çalışıyor?

Ayırt edici bölüm PatchGAN mimarisine dayanmaktadır. Tüm görüntü için tek bir “gerçek veya sahte” kararı vermek yerine, görüntüyü küçük parçalara ayırarak her yerel bölgeyi değerlendirir.

Çıktı 30×30×1 boyutunda bir olasılık matrisidir. Her değer, ilgili yerel yükseklik parçasının gerçek referans veriye benzeme olasılığını ifade eder. Bu yaklaşım, yüksek çözünürlüklü görüntülerde bina sınırları gibi küçük mekânsal ayrıntıların korunmasına yardımcı olur.

Ayırt edici kayıp fonksiyonu

Çalışmada ayırt edici ağ için en küçük kareler GAN yaklaşımına dayalı şu kayıp kullanılmıştır:

\[ \mathcal{L}_D(G,D) = \frac{1}{2}\mathbb{E}_{(a,b)\sim p_{data}(a,b)} \left[(D(a,b)-1)^2\right] + \frac{1}{2}\mathbb{E}_{a\sim p_{data}(a)} \left[D(a,G(a))^2\right] \]

Burada:

• a, giriş uydu görüntüsüdür.
• b, gerçek referans yükseklik haritasıdır.
• G(a), üretici ağın tahmin ettiği yükseklik haritasıdır.
• D(a,b), gerçek görüntü-yükseklik çiftinin gerçeklik puanıdır.
• D(a,G(a)), üretilen yükseklik çiftinin gerçeklik puanıdır.

İlk terim gerçek çiftlerin 1’e, ikinci terim sahte çiftlerin 0’a yaklaşmasını sağlamaya çalışır.

Üretici kayıp fonksiyonu

\[ \mathcal{L}_G(G,D) = \mathbb{E}_{a\sim p_{data}(a)} \left[(D(a,G(a))-1)^2\right] + \lambda \mathbb{E}_{(a,b)\sim p_{data}(a,b)} \left[\lVert b-G(a)\rVert_1\right] \]

Burada:

• İlk terim, üreticinin ayırt ediciyi gerçekmiş gibi ikna etmesini amaçlayan çekişmeli kayıptır.
• İkinci terim, tahmin edilen ve gerçek yükseklik arasındaki L1 farkıdır.
• λ, iki kayıp bileşeni arasındaki denge katsayısıdır.

Çalışmada λ = 10 seçilmiştir. Bu, yalnızca görsel olarak gerçekçi haritalar üretmek yerine gerçek yükseklik değerlerine yakınlığın da güçlü biçimde korunmasını sağlar.

Model nasıl eğitildi?

256×256 piksellik bir giriş için çıkarım sırasında yaklaşık 0,36 GB tepe GPU belleği, 55,99 GFLOPs hesaplama maliyeti ve 16,88 ms işlem süresi raporlanmıştır.

Neden yerel yükseklik optimizasyonu gerekiyor?

Büyük uydu görüntüsü 256×256 piksellik parçalara bölündüğünde bir bina iki farklı parçanın sınırında kalabilir. Model her parçayı bağımsız işlediği için aynı binanın iki yarısı farklı yüksekliklerde tahmin edilebilir. Bu durum haritada dikiş izi oluşturur.

Araştırmacılar iki ayrı yama bölmesi üretmiştir:

1. İlk bölme görüntünün sol üst köşesinden başlar.
2. İkinci bölme 128 piksel sağa ve 128 piksel aşağı kaydırılır.

İlk bölmede sınıra denk gelen bina, ikinci bölmede yamanın merkezine yaklaşır. Yama merkezinde tahmin daha tutarlı kabul edilir.

Komşu pikseller arasındaki dikiş yüksekliği farkı 3 metreden küçükse sonuç kabul edilmiştir. Fark daha büyükse dikişin iki yanında 20 piksellik, yani 0,5 metre çözünürlükte 10 metrelik tampon bölge oluşturulmuş ve iki yükseklik haritası ağırlıklı ortalamayla birleştirilmiştir.

Yükseklik kalibrasyonu neden gerekli?

Derin öğrenme modelleri özellikle yüksek binalarda yüksekliği sistematik olarak düşük tahmin edebilir. Yerel dikiş düzeltmesi bu küresel yanlılığı gidermez. Bu nedenle çalışma son aşamada doğrusal bir kalibrasyon uygulamıştır:

\[ h_c = k \times h_e + C \]

Burada:

• h_e, modelin tahmin ettiği yüksekliktir.
• h_c, kalibre edilmiş yüksekliktir.
• k, ölçek katsayısıdır.
• C, sabit düzeltme terimidir.

Birinci çalışma alanında hesaplanan katsayılar yaklaşık k = 1,0649 ve C = 0,5635 metre olmuştur. Bu değerler, model tahminlerinin genel olarak biraz yükseltilmesini sağlamıştır.

Yüksekliği değişmemiş noktalar nasıl bulundu?

Kalibrasyon için gerçek hedef yıl yüksekliği bilinmediğinden, iki tarih arasında değişmediği yüksek olasılıkla kabul edilen “sahte yükseklik-sabit” pikseller seçilmiştir.

Bu amaçla çok bantlı zamansal doku ölçüsü olan PCMV kullanılmıştır. PCMV değeri düşükse iki tarih arasındaki yerel spektral ve mekânsal değişim küçüktür; dolayısıyla yapının değişmemiş olma olasılığı yüksektir.

Eşik değeri elle seçilmemiş, Monte Carlo çapraz doğrulamayla belirlenmiştir. Birinci çalışma alanında 2600 sabit ve 5200 değişken örnek kullanılmış, 100 tekrar sonunda PCMV için 3000 eşik değeri seçilmiştir.

Bitki büyümesi veya budama nedeniyle oluşabilecek sahte değişimleri azaltmak için NDVI değeri 0,2’nin üzerinde ve mavi bant değeri 390’ın altında olan bitki pikselleri çıkarılmıştır.

Ağırlıklı en küçük kareler kalibrasyonu

\[ (k_{WLS}, C_{WLS}) = \arg\min_{k,C} (kH_e + C - H_{gt})^T W (kH_e + C - H_{gt}) \]

Burada:

• H_e, sahte yükseklik-sabit noktalarındaki tahmin edilen hedef yıl yükseklikleridir.
• H_gt, aynı noktaların referans yıl yükseklikleridir.
• W, her noktanın güvenilirlik ağırlığını içeren köşegen matristir.

Düşük PCMV değeri daha yüksek zamansal kararlılık anlamına geldiği için ağırlık, normalleştirilmiş PCMV değerinin tersine göre verilmiştir. Böylece değişmediğine daha çok güvenilen noktalar kalibrasyonu daha fazla etkilemiştir.

Doğruluk ölçütleri

Ortalama mutlak hata:

\[ MAE = \frac{1}{n}\sum_{i=1}^{n}|x_i-y_i| \]

Her tahminin gerçek değerden kaç metre saptığını mutlak olarak ölçer ve ortalamasını alır.

Kök ortalama kare hata:

\[ RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i-y_i)^2} \]

Büyük hataları kare alma nedeniyle daha güçlü cezalandırır.

Sıfır ortalamalı normalleştirilmiş çapraz korelasyon:

\[ ZNCC = \frac{1}{n} \sum_{i=1}^{n} \frac{(x_i-\mu_x)(y_i-\mu_y)} {\sigma_x\sigma_y} \]

Tahmin edilen yükseklik deseni ile referans desen arasındaki benzerliği ölçer. 1’e yaklaştıkça mekânsal uyum artar.

Göreli yanlılık:

\[ RB = \frac{\sum_{i=1}^{n}(x_i-y_i)} {\sum_{i=1}^{n}y_i} \times 100\% \]

Pozitif RB genel fazla tahmini, negatif RB genel eksik tahmini gösterir.

Birinci çalışma alanındaki ablasyon sonuçları

En kötü sonuç, yalnızca referans yıl görüntüsüyle eğitim yapıldığında ortaya çıkmıştır. Bu durum, hedef tarihin görüntü özelliklerinin eğitim sürecine dahil edilmesinin kritik olduğunu göstermektedir.

Los-nDSM kullanılmadığında RMSE 3,81 metreden 5,47 metreye yükselmiştir. Bu sonuç, eğik bina geometrisinin yalnızca renk ve doku üzerinden öğrenilemediğini ve doğru piksel-yükseklik eşleşmesinin önemli olduğunu göstermektedir.

Kalibrasyon ZNCC’yi değiştirmemiş, ancak RB’yi -%13,62’den -%3,90’a düşürmüştür. Başka bir ifadeyle kalibrasyon mekânsal deseni değiştirmekten çok genel eksik tahmin yanlılığını düzeltmiştir.

Tek tarihli yöntemle karşılaştırma

Önerilen yöntem, karşılaştırma yöntemine göre MAE’yi 3,55 metre, RMSE’yi 5,91 metre azaltmıştır. ZNCC yaklaşık 0,29 artmıştır.

Değişen ve değişmeyen binalar

Birinci çalışma alanında karşılaştırma yöntemi değişmeyen binalarda beklenmedik biçimde daha kötü sonuç vermiştir. Bunun nedeni, bina fiziksel olarak değişmese bile farklı yıllardaki bakış açısı, gölge ve spektral özelliklerin model tarafından değişim gibi algılanabilmesidir.

İkinci çalışma alanındaki sonuçlar

Tongzhou Yeni Kenti daha büyük, daha heterojen ve daha fazla yüksek bina içeren bir alandır. Değişmeyen binalarda önerilen yöntem şu sonuçları vermiştir:

MAE 3,29 metre, RMSE 4,04 metre azalmıştır. ZNCC 0,8871’e yükselmiştir.

Alçak ve yüksek binalarda performans

Çalışmada 24 metre eşik alınarak binalar iki gruba ayrılmıştır:

• Alçak binalar: 24 metreden düşük
• Yüksek binalar: 24 metreden yüksek

Yüksek binalarda hata hâlâ alçak binalardan daha büyüktür. Ancak iyileşme miktarı da daha yüksektir. Bu sonuç, Los-nDSM yaklaşımının özellikle eğik görüntülerde büyük yatay kayma oluşturan yüksek yapılar için yararlı olduğunu göstermektedir.

Değişen binalardaki sonuçlar

İkinci alandaki değişen binalarda karşılaştırma yönteminin MAE’si 5,10 metre, önerilen yöntemin MAE’si 3,63 metredir. RMSE 6,71 metreden 4,45 metreye düşmüştür.

Bununla birlikte RB her iki yöntemde de yaklaşık -%23 düzeyinde kalmıştır. Araştırmacılar bu durumu, 2013 hedef yıl referans nDSM’sinin stereo görüntü çiftlerinden üretilmiş olması ve 2023 BJ-3 tabanlı yükseklik verisinden daha düşük doğruluğa sahip olmasıyla ilişkilendirmiştir.

Görseller ne anlatıyor?

Çalışmadaki yöntem akış şeması, süreci üç ana aşamada göstermektedir:

1. Çift zamanlı Los-nDSM üretimi
2. DA-cGAN ile hedef tarih yüksekliği tahmini ve yerel optimizasyon
3. Sahte yükseklik-sabit noktalarla kalibrasyon

Los-nDSM karşılaştırma görsellerinde gerçek ortografik nDSM’nin eğik uydu görüntüsündeki bina çatısı ile kaydığı, Los-nDSM’nin ise çatı ve cepheyi görüntü geometrisine uygun biçimde takip ettiği görülmektedir.

Ablasyon görsellerinde Los-nDSM olmadığında yüksek binaların sınırları yanlış yönde kaymakta; çift tarihli bilgi çıkarıldığında yüksek yapılar eksik tahmin edilmekte; yerel optimizasyon olmadığında yama sınırlarında aynı binanın iki parçası farklı yükseklikler göstermektedir.

Saçılım grafiklerinde önerilen yöntemin noktaları 1:1 çizgisinin iki tarafına daha dengeli dağılmıştır. Kalibrasyon öncesindeki yöntemlerde noktaların büyük kısmı çizginin altında kalmakta, bu da sistematik eksik tahmini göstermektedir.

Model genelleme deneyi

Araştırmacılar her alan için ayrı model ile iki alanın verilerini birlikte kullanan ortak model arasında karşılaştırma yapmıştır.

Yerel model çoğu ölçütte biraz daha iyi olsa da çok alanlı model kabul edilebilir sonuçlar vermiştir. Bu, daha çeşitli şehirlerden eğitim verisi eklenirse modelin farklı sensörlere ve kentsel biçimlere uyarlanabileceğini düşündürmektedir. Ancak çalışma yalnızca iki bölge içerdiği için geniş ölçekli genelleme henüz kanıtlanmış değildir.

Çalışmanın geçmiş, bugün ve gelecek açısından önemi

Geçmiş açısından: Arşiv uydu görüntüleri, geçmiş kentlerin yalnızca 2B görünümünü değil, yaklaşık bina yüksekliğini de yeniden kurmak için kullanılabilir. Bu yaklaşım, LiDAR öncesi dönemlerdeki 3B kent değişimlerini araştırma olanağı sağlayabilir.

Bugün açısından: Güncel LiDAR veya nDSM’nin yalnızca küçük bir alan için mevcut olduğu şehirlerde, bu yerel veri geniş bir uydu görüntüsü üzerinde model eğitimi için kullanılabilir. Böylece daha geniş alanın yüksekliği daha düşük maliyetle tahmin edilebilir.

Gelecek açısından: Farklı şehirler, sensörler ve yıllardan daha fazla eğitim verisiyle yöntem, küresel tarihsel bina yüksekliği veri kümelerinin üretilmesine katkı sağlayabilir. Bina segmentasyonu, çok görevli öğrenme ve daha gelişmiş geometrik modellerle 3B bina rekonstrüksiyonu geliştirilebilir.

Gündelik yaşama ve kent yönetimine etkisi

Bu araştırma doğrudan vatandaşın kullandığı bir uygulama üretmemektedir. Ancak benzer yöntemler kent yönetiminde şu amaçlarla kullanılabilir:

• Mahallelerin yıllar içinde kaç kat yükseldiğini belirlemek
• Yeni yüksek yapıların rüzgâr ve gölge etkisini incelemek
• Deprem öncesi bina hacmi ve kat tahmini yapmak
• Taşkın riskinde farklı bina yüksekliklerini modele dahil etmek
• Enerji ve nüfus yoğunluğu tahminlerini iyileştirmek
• Kentsel dönüşümün 3B etkisini izlemek
• Tarihî kent dokusunda yükseklik değişimini denetlemek

Çalışmanın güçlü yönleri

• Geçmiş yıl yükseklik verisi eksikliği gibi gerçek bir uygulama sorununa odaklanması
• Eğik görüntü ile ortografik nDSM arasındaki geometrik uyumsuzluğu doğrudan ele alması
• Çatıların yanı sıra cepheleri de kapsayan geliştirilmiş Los-nDSM üretmesi
• Hedef yıl görüntüsünü de eğitime dahil ederek zamansal alan farkını azaltması
• Kanal ve mekânsal dikkati birleştiren DA-cGAN kullanması
• Yerel yama sınırı hatalarını ayrı bir optimizasyonla düzeltmesi
• Kalibrasyon noktalarını otomatik seçmesi
• Ablasyon deneyleriyle her bileşenin katkısını ayrı ayrı sınaması
• İki farklı uydu sensörü ve iki farklı kentsel yapı üzerinde test edilmesi
• Değişen ve değişmeyen binaları ayrı değerlendirmesi

Çalışmanın sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Yalnızca Pekin’deki iki çalışma alanında test edilmiştir.
• İki alan da yüksek kaliteli WorldView-2 veya Pleiades görüntülerine sahiptir.
• Düşük kaliteli, bulutlu, sisli veya güçlü radyometrik fark içeren görüntülerde performans bilinmemektedir.
• Hedef yıl doğrulama verilerinin bir bölümü LiDAR değil stereo görüntü çiftlerinden üretilmiştir.
• Yüksek binalarda hata hâlâ yaklaşık 6 metre MAE ve 7,56 metre RMSE düzeyindedir.
• Değişen binalarda sistematik eksik tahmin tamamen giderilememiştir.
• Eğitim örneği sayısı sınırlıdır.
• Bina bileşenlerinin açık segmentasyonu yapılmamaktadır.
• Ağaçlar ve diğer yüksek nesneler için ayrı semantik ayrım kapsamlı biçimde ele alınmamıştır.
• PCMV eşiği ve kalibrasyon başarısı görüntü koşullarına bağlı olabilir.
• 3 metrelik düşey yeniden örnekleme, daha küçük yükseklik farklarını sınırlandırabilir.
• Farklı şehir, iklim, mimari ve sensörlere geniş ölçekli genelleme henüz doğrulanmamıştır.

Çalışma ne söylüyor, ne söylemiyor?

Çalışmanın söylediği: İki farklı tarihe ait eğik yüksek çözünürlüklü uydu görüntüleri ve yerel referans nDSM birlikte kullanıldığında, geçmiş bina yükseklikleri tek tarihli yaklaşıma göre daha düşük hatayla tahmin edilebilir. Görüş hattına yeniden izdüşürülmüş nDSM, yüksek binalardaki geometrik uyumsuzluğu azaltır. Çift zamanlı eğitim ve kalibrasyon, zamansal farklılıklardan kaynaklanan eksik tahmini belirgin biçimde azaltır.

Çalışmanın söylemediği: Yöntem LiDAR ile eşdeğer doğrulukta kesin yükseklik üretmez. Her şehirde, her sensörde veya her görüntü kalitesinde aynı performansı garanti etmez. Sonuçlar doğrudan tapu, imar, kaçak yapı cezası veya mühendislik projesi için yasal ölçüm değildir. Tahmin edilen yükseklikler, yapı güvenliği veya kat sayısının kesin kanıtı olarak kullanılamaz.

Çalışmanın Yöntemi ve Bulguları

Yöntemin üç ana aşaması

Başlıca teknik parametreler

Birinci çalışma alanı: temel performans

İkinci çalışma alanı: değişmeyen binalar

Ablasyon deneylerinin teknik yorumu

• Los-nDSM çıkarıldığında: Yüksek binaların görüntüdeki eğimi ile yükseklik haritası uyuşmamış ve RMSE belirgin biçimde artmıştır.
• Hedef tarih görüntüsü eğitimden çıkarıldığında: Model farklı yılın spektral ve geometrik özelliklerine uyum sağlayamamış, RB -%28,07’ye düşmüştür.
• DA-cGAN yerine standart cGAN kullanıldığında: Bina yükseklikleri daha eksik ve yüksek bina sınırları daha bozuk çıkmıştır.
• Yerel optimizasyon kaldırıldığında: Yama sınırlarındaki binalarda parçalı yükseklikler oluşmuştur.
• Kalibrasyon eklendiğinde: Korelasyon korunurken sistematik eksik tahmin güçlü biçimde azaltılmıştır.

Uygulama açısından olası kullanım alanları

• Tarihsel 3B kent atlasları
• Kentsel dönüşüm izleme
• Afet öncesi yapı hacmi tahmini
• Kaçak veya izinsiz yapılaşma için ön tarama
• Geçmiş nüfus ve taban alanı yoğunluğu analizi
• Kentsel ısı adası ve rüzgâr modeli girdileri
• Güneş enerjisi ve gölge analizi
• Kültürel miras bölgelerinde yükseklik değişimi

Gelecek araştırma gereksinimleri

• Daha fazla şehir ve ülke üzerinde doğrulama
• Farklı sensör ve görüntü kaliteleriyle sınama
• Bina segmentasyonunun modele eklenmesi
• Çatı, cephe ve taban bileşenlerinin ayrı öğrenilmesi
• LiDAR dışındaki güvenilir referans kaynaklarının değerlendirilmesi
• Bulut, gölge ve mevsimsel farklara daha dayanıklı modeller
• Yüksek binalardaki kalan hata düzeyinin azaltılması
• Farklı kentlerden geniş ölçekli ortak eğitim verisi oluşturulması
• Tahmin belirsizliğini piksel düzeyinde gösteren güven haritaları

Kaynak ve Yöntem Notu

Bu içerik, Xiaoxue Feng, Peijun Li, Fang Chen ve Changyong Dou tarafından hazırlanan “A Novel Method for Estimating Urban Building Heights Using Bi-temporal High Resolution Satellite Imagery and Reprojected nDSM” başlıklı çalışmaya dayanmaktadır.

Çalışma, çift zamanlı yüksek mekânsal çözünürlüklü eğik uydu görüntülerini, yerel LiDAR tabanlı nDSM verisini, görüş hattına yeniden izdüşürülmüş Los-nDSM katmanlarını ve çift dikkat mekanizmalı koşullu üretici çekişmeli ağı birleştiren deneysel bir uzaktan algılama ve derin öğrenme araştırmasıdır.

Metinde açıkça “This preprint research paper has not been peer reviewed” ifadesi bulunmaktadır. Çalışma SSRN üzerinde yayımlanmış bir preprinttir ve hakem değerlendirmesinden geçmemiştir. Bu nedenle yöntem ayrıntıları, sayısal sonuçlar ve genellenebilirlik iddiaları bağımsız hakem değerlendirmesi sonrasında değişebilir.

Araştırma Pekin’de yalnızca iki çalışma alanında gerçekleştirilmiştir. Kullanılan WorldView-2 ve Pleiades görüntüleri yüksek kaliteye sahiptir. Yöntemin daha düşük kaliteli görüntülerde, farklı mimari yapılarda, farklı iklimlerde veya başka uydu sensörlerinde aynı doğruluğu sağlayacağı çalışma tarafından kanıtlanmamıştır.

Hedef yıllara ait değerlendirme yüksekliklerinin bir bölümü doğrudan LiDAR’dan değil, stereo uydu görüntülerinden üretilen nDSM’lerden alınmıştır. Bu nedenle özellikle değişen binalardaki hata değerleri, yalnızca tahmin modelinin değil referans yüksekliğin belirsizliğini de içerebilir.

Üretilen yükseklikler yaklaşık uzaktan algılama tahminleridir. Kadastro, imar denetimi, mühendislik hesabı, bina güvenliği, kat sayısı tespiti veya yasal yaptırım için doğrudan ölçüm yerine kullanılması çalışma tarafından doğrulanmamıştır. İçerik yalnızca PDF’de yer alan yöntem, deney, formül, tablo, grafik, görüntü ve sonuçlara dayanarak hazırlanmış; PDF’de bulunmayan operasyonel başarı, ticari uygunluk veya kesin yükseklik garantisi eklenmemiştir.